Когда в отчёте появляется новый показатель, у команды быстро находится три трактовки и пять способов его посчитать (всё как мы любим). Поэтому начнём не с красивой диаграммы, а с определения, границ и конкретного решения.
Что получите после чтения
Поймёте разницу MAPE, WAPE, MASE и bias, выберете метрики под ассортимент и сможете улучшать прогноз по причинам ошибок. Без универсального норматива из воздуха: формула, пример с числами и следующий шаг будут прямо в статье.
Что это такое простыми словами
Точность прогноза спроса нельзя честно описать одним процентом для любого ряда. MAPE усредняет относительные ошибки и ломается на нулях, WAPE взвешивает их фактическим объёмом, MASE сравнивает модель с простым наивным прогнозом, bias показывает постоянное завышение или занижение.
Как люди формулируют этот вопрос
В поиске встречаются формулировки «точность прогноза спроса», «mape и wape разница», «wape формула», «mase что это». За ними стоит одно намерение: понять показатель, корректно его посчитать и использовать в решении. Остальные близкие запросы раскрываем внутри примеров и шагов, без списка ключей ради списка.
Что это даёт бизнесу
Метрики помогают выбрать модель и понять денежный риск: завышенный прогноз увеличивает запас, заниженный создаёт дефицит. Важна ошибка на backtest, а не красота подгонки истории.
Практическая польза появляется, когда у цифры есть владелец, регулярная дата проверки и конкретное действие. Если показатель изменился, должно быть понятно, кто проверяет данные, кто объясняет причину и кто принимает решение. Иначе это просто число, которое по четвергам смотрит дашборд.
Порядок действий
- Сохраните прогноз до наступления периода
- Подготовьте фактический спрос без цензуры дефицитом
- Разделите train и backtest
- Посчитайте абсолютные ошибки
- Добавьте WAPE и bias
- Используйте MASE для сравнения с наивной моделью
- Разберите ошибки по SKU и причинам
Первый расчёт лучше сделать на одном закрытом периоде и одной понятной группе. Так можно дойти до исходной записи, проверить даты и договориться о правилах. После ручной сверки методику переносим в автоматический отчёт.
Формула и логика расчёта
MAPE = среднее |факт − прогноз| ÷ |факт|. WAPE = сумма абсолютных ошибок ÷ сумма факта. Bias можно считать как сумму (прогноз − факт) ÷ сумму факта. MASE делит среднюю абсолютную ошибку модели на ошибку наивного прогноза. При нулевом факте MAPE не определён.
У формулы обязательно подписываем период, единицу, часовой пояс или дату среза, если они влияют на результат. Рядом показываем размер выборки. Процент из пяти наблюдений и процент из пяти тысяч выглядят одинаково, но доверять им одинаково не стоит.
Если в расчёте есть исключения, вынесите их в отдельный список и посчитайте долю. Неизвестные значения не нужно тихо относить к нулю или к самой удобной категории. Покажите их рядом: иногда рост доли «неизвестно» объясняет динамику лучше любого совещания.
Подробный пример с числами
По трём SKU факт 100, 10 и 0, прогноз 90, 20 и 15. Абсолютные ошибки 10, 10 и 15. WAPE = 35 ÷ 110 = 31,8%. MAPE по третьей позиции посчитать нельзя, а по первым двум среднее 55% и слишком сильно подчёркивает маленький SKU. Bias = (125 − 110) ÷ 110 = +13,6%: прогноз системно завышен. Команда отдельно разбирает новый товар с нулём и корректирует модель медленного спроса.
Как объяснить результат
Сначала называем факт, затем базу сравнения, потом причину и действие. Не «показатель плохой», а «по сопоставимой группе он изменился с X до Y; основная разница возникла на таком-то шаге; до следующей даты проверяем одно изменение». Такой формат спокойно переживает встречу с собственником и не превращается в гадание по цвету карточки.
Как собрать рабочий отчёт
На первом экране достаточно динамики, плана или базы сравнения и двух-трёх разрезов, которые реально меняют решение. Детализацию оставляем на следующем уровне: конкретные сделки, клиенты, платежи или пользователи. Руководитель видит ситуацию, ответственный сразу проваливается к объекту.
Обязательно показываем дату обновления и статус качества. Если загрузка задержалась, отчёт должен говорить об этом прямо. Вчерашняя правильная цифра сегодня легко становится неправильным решением — просто потому, что выглядит свежей.
Для контроля сохраняем версию методики: определение, формулу, исключения, источник, владельца и дату изменения. Когда правило меняется, прошлые периоды либо честно пересчитываем, либо отмечаем границу. Тайное улучшение формулы ломает доверие быстрее явной ошибки.
Ещё один полезный слой — комментарий ответственного. Он коротко фиксирует, что изменилось, какая причина уже подтверждена данными, а что пока остаётся гипотезой. Так команда не выдаёт первое удобное объяснение за факт и понимает, какую проверку провести дальше.
Как проверить данные до автоматизации
- Сверьте общую сумму и количество объектов с источником
- Возьмите пять крупных и пять случайных записей
- Проверьте даты, статусы, идентификаторы и исключения
- Повторите расчёт вручную на маленькой выборке
- Попросите владельца процесса подтвердить смысл результата
Крупные объекты помогают найти денежное расхождение, случайные — системную ошибку. Если проверять только самые заметные строки, редкий технический сбой останется незаметным. Если смотреть только случайные, можно пропустить один объект, который меняет весь итог.
Зафиксируйте результат сверки в коротком протоколе: период, источник, версия выгрузки, контрольная сумма, найденные расхождения и принятое правило. На следующем обновлении не придётся заново вспоминать, почему одну запись исключили, а другую оставили. Такой журнал особенно полезен, когда меняются сотрудники или система-источник.
Как автоматизировать и не потерять контроль
Автоматизация должна повторять уже проверенную методику. На входе контролируем свежесть, число строк и ключевые поля. На выходе — итоговую сумму, диапазон значений и долю неизвестных. При нарушении правило создаёт понятный сигнал конкретному владельцу, а не письмо на общий ящик в пятницу вечером.
Храните снимки результата. Они нужны, чтобы сравнивать ожидание с фактом и объяснять изменение. Перезаписанная история удобна только отчёту: людям она мешает учиться на своих допущениях.
Как читать динамику без поспешных выводов
Сравнивайте одинаковые рабочие циклы. Понедельник с пятницей, праздничную неделю с обычной и новый сегмент со зрелым смешивать можно технически, но вывод получится слабым. Сначала отделите изменение состава данных от изменения самого процесса. Рядом с линией показателя держите объём выборки и отметки о релизах, акциях, переносах и смене правил.
Один скачок — повод проверить данные и контекст, а не немедленно перестраивать команду. Для регулярного управления задайте коридор обычных колебаний и минимальный срок наблюдения. Если изменение повторяется несколько сопоставимых периодов и видно на исходных объектах, появляется основание действовать. После действия заранее назначьте дату проверки и показатель, который должен измениться. Иначе любое движение легко объявить успехом (особенно на красивом слайде).
Ограничения и типичные ошибки
- Использовать MAPE при нулях
- Считать продажи полным спросом во время дефицита
- Проверять модель на обучающей истории
- Игнорировать bias
- Смешивать уровни агрегации
Ограничение не делает метрику бесполезной. Оно показывает границу, внутри которой ей можно доверять. Честная подпись рядом с числом полезнее ещё одного знака после запятой.
Как я использую это в работе
Я показываю WAPE, bias и ошибку наивного прогноза рядом. Потом делю ассортимент на стабильный, сезонный, промо и редкий. Модель должна выигрывать у простого правила там, где бизнес за неё платит.
После первой встречи я не прошу команду сразу перестроить весь процесс. Мы выбираем один участок, фиксируем исходное значение и дату проверки. Если результат подтверждается, правило масштабируем. Если нет — сохраняем вывод и меняем гипотезу. Так аналитика помогает действовать, а не просто доказывает, что у нас много данных.
Что получает каждая роль
- Собственник — понятный риск, диапазон результата и решение
- Руководитель — участок процесса и ответственного
- Маркетолог — связь трафика или спроса с бизнес-результатом
- Аналитик — согласованное определение и контрольные примеры
- Команда — один следующий шаг вместо общего призыва улучшить всё
Что сделать прямо сейчас
Возьмите сохранённый прогноз и факт за один закрытый период. Посчитайте WAPE и bias по SKU, затем сравните с прогнозом «как в прошлом периоде».
Сохраните исходную выгрузку и правило расчёта. Через один полный рабочий цикл вернитесь к цифре и сравните ожидание с фактом. Запишите, какое допущение подтвердилось, а какое пришлось изменить. Именно эта обратная связь превращает показатель в инструмент управления, а не в очередную карточку отчёта.
